一种油井识别提取方法及装置

1.本发明属于遥感技术领域，特别涉及一种油井识别提取方法及装置。


背景技术：

2.石油或天然气生产对经济发展至关重要。然而，石油和天然气开采不可避免地会对环境产生不利影响。石油和天然气生产最常用的技术是通过建造钻井场地，配套一系列井场和其他设施。大量井场和资源道路的开采必然导致景观破坏或破碎化，地球观测或遥感技术提供了一种有效的手段来提取有关地表干扰信息，为石油开采活动相关的环境评估和风险分析提供支撑。
3.当前，基于遥感图像的目视解译是油井位置提取的常规方法。然而，这种方法耗时且严重依赖专业知识。近年来，深度学习(deep learning，dl)因为具有强大的特征抽取能力并能够实现端到端的数据处理，使其能够通过对大量数据进行训练以更高的准确度解决复杂问题，因此dl被应用于石油工业设施识别中。然而，井场的掩膜图像对于土地扰动的科学分析至关重要。因此，在自动化油井场地检测和提取中，除了定位油井场地外，还应考虑提取油井场地的掩膜信息。
4.现有技术中，油井站点的识别准确率较低。


技术实现要素：

5.本说明书实施例的目的是提供一种油井识别提取方法及装置，可以提高油井场地的掩膜信息的识别准确率。
6.为解决上述技术问题，本技术实施例通过以下方式实现的：
7.第一方面，本技术提供一种油井识别提取方法，该方法包括：
8.获取待识别遥感图像；
9.将待识别遥感图像输入油井站点提取模型，输出油井站点分类结果；其中，油井站点提取模型采用引入d-linknet网络的mask r-cnn模型。
10.在其中一个实施例中，d-linknet网络包括语义分割分支，语义分割分支用于提取油井站点及其相连的道路信息。
11.在其中一个实施例中，油井站点提取模型的损失函数包括语义分割分支的交并比损失函数。
12.在其中一个实施例中，训练油井站点提取模型采用的训练数据集为多源遥感图像数据集。
13.在其中一个实施例中，多源遥感图像数据集包括不同空间分辨率和光谱分辨率的遥感图像，其中，不同空间分辨率的遥感图像包括低空间分辨率遥感图像和高分辨率遥感图像。
14.在其中一个实施例中，构造训练数据集，包括：
15.检查所有所述遥感图像的光谱波段信息，并选择所有公共的光谱波段，以最大化
利用收集到的遥感图像，使所有所述遥感图像的光谱分辨率一致；
16.利用残差通道注意力网络对光谱分辨率一致后的遥感图像中低空间分辨率遥感图像进行超分辨率，得到超分辨率遥感图像，超分辨率遥感图像的分辨率与高分辨率遥感图像的分辨率一致；
17.超分辨率遥感图像和高分辨率遥感图像，形成训练数据集。
18.在其中一个实施例中，油井站点分类结果分为包括油井站点和不包括油井站点；
19.若油井站点分类结果为包括油井站点，油井站点提取模型还输出所有油井站点的掩膜图像。
20.第二方面，本技术提供一种油井识别提取装置，该装置包括：
21.获取模块，用于获取待识别遥感图像；
22.处理模块，用于将遥感图像输入油井站点提取模型，输出油井站点分类结果及掩膜图像；其中，油井站点提取模型采用引入d-linknet网络的mask r-cnn网络。
23.由以上本说明书实施例提供的技术方案可见，该方案：采用引入d-linknet网络的mask r-cnn模型作为油井站点提取模型，不仅能够识别油井站点位置，还能提供油井站点的掩模图像。利用d-linknet网络实现对油井及其相连的道路信息的感知识别，并能够分析和利用道路信息和油井站点的潜在联系，提升油井站点识别提取的效果。
附图说明
24.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
25.图1本技术提供的油井识别提取方法的原理示意图；
26.图2为本技术提供的油井识别提取方法的流程示意图；
27.图3为本技术提供的油井识别提取装置的结构示意图。
具体实施方式
28.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
29.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
30.在不背离本技术的范围或精神的情况下，可对本技术说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本技术的说明书得到的其他实施方式对技术人员而言是显而易见得的。本技术说明书和实施例仅是示例性的。
31.关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
32.在自动化油井场地检测和提取中，除了识别油井场地外，还应考虑提取油井场地的掩膜信息，同时油井场地与道路信息通常以组合方式出现，道路信息也是油井场地提取的关键特征。因此，油井场地识别提取主要面临以下的技术瓶颈：1)如何开发基于实例分割的方法，快速高效的提取油井场地掩膜信息；2)如何使用油井的道路信息，并分析和利用油井与道路信息的特殊组合关系，提高油井场地掩膜信息识别提取效果；3)如何使用不同空间分辨率的多源遥感图像联合训练模型，提升模型的泛化能力。
33.针对上述技术瓶颈，本技术提供一种油井识别提取方法，不仅可以提高模型的泛化能力，还可以提高识别油井站点的准确率。
34.如图1所示为本技术实施例提供的油井识别提取方法的原理示意图，该方法基于mask r-cnn(mask region-based convolutional neural network，掩膜基于区域的卷积神经网络)模型构造的油井站点提取模型识别提取油井站点，其中，mask r-cnn模型中引入d-linknet网络(基于预训练编码器和膨胀卷积的高分辨率卫星图像道路提取语义分割网络)，代替原始cnn(convolutional neural networks，卷积神经网络)，同时，基于d-linknet网络为mask r-cnn增加新的语义分割分支。油井识别提取方法将获取的遥感图像进行超分辨率(图中使用rcan预训练的残差通道注意力网络)处理后，将得到的图像输入至油井站点提取模型(即图1中ows(mask r-cnn))，在油井站点提取模型中依次经过d-linknet网络、特征金字塔网络(fpn)、候选框(region proposal)、感兴趣区域等尺寸映射操作(roi align)、全连接操作(fc layers及fc)后得到油井站点分类结果。若油井站点分类结果为包括油井站点，则在油井站点提取模型中依次经过d-linknet网络、特征金字塔网络、候选框、感兴趣区域等尺寸映射操作、全连接卷积网络(fcn)后得到所有油井站点的掩膜图像。
35.继续参照图1，d-linknet网络包括语义分割分支，语义分割分支采用真实的地面的油井站点及其相连的线状道路的掩模图训练d-linknet网络。
36.由于d-linknet网络可以实现对线状地物，如道路信息的精细化感知识别，并能够分析和利用道路信息和油井站点的潜在联系，因此，本技术实施例提供的油井识别提取方法，通过采用引入d-linknet网络的mask r-cnn模型对待识别遥感图像中油井站点的识别，可以提高油井站点的识别准确率。
37.下面结合附图和实施例对本发明进一步详细说明。
38.参照图2，其示出了适用于本技术实施例提供的油井识别提取方法的流程示意图。
39.如图2所示，油井识别提取方法，可以包括：
40.s210、获取待识别遥感图像。
41.具体的，待识别遥感图像可以为不同分辨率的遥感图像，例如，rapideye卫星传感器图像和worldview-3卫星遥感图像等。
42.可以理解的，由于获取的待识别遥感图像涉及较广的空间分辨率范围和光谱分辨率范围，因此，可以对待识别遥感图像进行超分辨率和波段选择，提高图像的一致性。下述待识别遥感图像为进行超分辨率和波段选择后的图像。
43.s220、将待识别遥感图像输入油井站点提取模型，输出油井站点分类结果。其中，
油井站点分类结果分为包括油井站点和不包括油井站点。若油井站点分类结果为包括油井站点，油井站点提取模型还输出所有油井站点的掩膜图像。
44.其中，油井站点提取模型采用引入d-linknet网络的mask r-cnn模型，可以通过利用油井和道路的相关信息，提升网络模型对油井站点的识别能力，如道路信息识别等。
45.具体的，引入d-linknet网络的mask r-cnn模型为将mask r-cnn模型中原始cnn(convolutional neural networks，卷积神经网络)采用d-linknet网络替换。d-linknet网络采用编码器-解码器结构、空洞卷积和预训练编码器进行道路提取任务。
46.可选的，d-linknet网络包括语义分割分支，语义分割分支可以提取油井站点及其相连的道路信息，使得整个油井站点提取模型能够感知道路(线状对象)和油井站点之间的潜在关系，使井位周围的道路信息参与识别过程，提升油井站点提取模型的识别能力。具体的，在油井站点提取模型训练阶段，语义分割分支的训练数据采用包含油井站点掩膜信息和道路掩膜信息的地表真实数据。
47.新增的语义分割分支是针对油井站点及其相连的道路信息的分割任务，在分割任务中引入交并比损失函数(soft jaccard loss)，可以提升油井站点提取效果。具体的，油井站点提取模型的损失函数包括语义分割分支的交并比损失函数，即油井站点提取模型的损失函数为在mask r-cnn模型的损失函数的基础上增加语义分割分支的交并比损失函数。
48.油井站点提取模型的损失函数为：
49.l＝l
cls
l
box
l
mask
l
sem
50.其中，前三项分别为多分类交叉熵损失函数、边框回归参数损失函数、掩膜信息预测的损失函数(定义为每个像素的二分类损失之和)，与mask r-cnn模型的损失函数保持一致，l
sem
为语义分割分支的交并比损失函数。
51.本实施例中，采用引入d-linknet网络的mask r-cnn模型作为油井站点提取模型，不仅能够识别油井站点位置，还能提供油井站点的掩模图像。利用d-linknet网络实现对线状地物如道路信息的感知识别，并能够分析和利用道路信息和油井站点的潜在联系，提升油井站点识别提取的效果。
52.本技术实施例提供的油井识别提取方法，提供了一种有效的手段来提取有关地表干扰信息，为石油开采活动相关的环境评估和风险分析提供支撑。
53.一个实施例中，训练油井站点提取模型采用的训练数据集为多源遥感图像数据集。其中，多源遥感图像数据集包括不同空间分辨率和光谱分辨率的遥感图像，其中，不同空间分辨率的遥感图像包括低空间分辨率遥感图像和高分辨率遥感图像。
54.可以理解的，多源遥感图像数据集可以为来自多传感器的图像数据，例如rapideye 2/3卫星传感器图像和worldview-3卫星遥感图像等。因此，通过选择公共波段选择出遥感图像中适用的光谱波段，并将预训练的残差通道注意力网络(rcan)应用于具有不同空间分辨率的图像的超分辨率任务，将不同分辨率的图像的分辨率进行统一，得到油井站点提取模型的训练数据集。
55.其中，构造训练数据集，包括：
56.检查所有所述遥感图像的光谱波段信息，并选择所有公共的光谱波段，以最大化利用收集到的遥感图像，使所有所述遥感图像的光谱分辨率一致；
57.利用残差通道注意力网络对光谱分辨率一致后的遥感图像中低空间分辨率遥感
图像进行超分辨率，得到超分辨率遥感图像，超分辨率遥感图像的分辨率与高分辨率遥感图像的分辨率一致；
58.超分辨率遥感图像和高分辨率遥感图像，形成训练数据集。
59.具体的，利用预训练的残差通道注意力网络对低空间分辨率遥感图像进行超分辨率，使其与高分辨率遥感图像保持一致，然后将超分辨率遥感图像和高分辨率遥感图像组合形成多源遥感图像数据集，最后按照512*512尺寸对多源遥感图像数据集裁剪形成模型的训练数据集。
60.本实施例中，训练油井站点提取模型采用的训练数据集为多源遥感图像数据集，以使在采用油井站点提取模型识别提取油井站点时，能够完成不同空间分辨率遥感图像的识别，实现多源遥感图像数据在油井识别中的综合利用，提升了油井站点提取模型的泛化能力。
61.参照图3，其示出了根据本技术一个实施例描述的油井识别提取装置的结构示意图。
62.如图3所示，油井识别提取装置300，可以包括：
63.获取模块310，用于获取待识别遥感图像；
64.处理模块320，用于将遥感图像输入油井站点提取模型，输出油井站点分类结果及掩膜图像；其中，油井站点提取模型采用引入d-linknet网络的mask r-cnn网络。
65.可选的，d-linknet网络包括语义分割分支，语义分割分支用于提取油井站点及其相连的道路信息。
66.可选的，油井站点提取模型的损失函数包括语义分割分支的交并比损失函数。
67.可选的，训练油井站点提取模型采用的训练数据集为多源遥感图像数据集。
68.可选的，多源遥感图像数据集不同空间和光谱分辨率的遥感图像，其中，不同空间分辨率的遥感图像包括低空间分辨率遥感图像和高分辨率遥感图像。
69.可选的，油井识别提取装置，还包括：构造模块，用于：构造训练数据集，包括：
70.检查所有所述遥感图像的光谱波段信息，并选择所有公共的光谱波段，以最大化利用收集到的遥感图像，使所有所述遥感图像的光谱分辨率一致；
71.利用残差通道注意力网络对光谱分辨率一致后的遥感图像中低空间分辨率遥感图像进行超分辨率，得到超分辨率遥感图像，超分辨率遥感图像的分辨率与高分辨率遥感图像的分辨率一致；
72.超分辨率遥感图像和高分辨率遥感图像，形成训练数据集。
73.可选的，油井站点分类结果分为包括油井站点和不包括油井站点；
74.若油井站点分类结果为包括油井站点，油井站点提取模型还输出所有油井站点的掩膜图像。
75.本实施例提供的一种油井识别提取装置，可以执行上述方法的实施例，其实现原理和技术效果类似，在此不再赘述。
76.需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过
程、方法、商品或者设备中还存在另外的相同要素。
77.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。